公共DNA數(shù)據(jù)庫中包含很多生物類群，為系統(tǒng)學(xué)提供了大量數(shù)據(jù)來源。目前，基于分子數(shù)據(jù)的物種鑒別和界定工作已經(jīng)逐步開展。現(xiàn)代測序技術(shù)的飛速發(fā)展，帶來了海量分子數(shù)據(jù)的同時(shí)，也導(dǎo)致很多研究人員無法為相關(guān)數(shù)據(jù)提供準(zhǔn)確的分類學(xué)信息。這些分類信息不夠完整的分子數(shù)據(jù)，阻礙了在物種一級(jí)水平上開展精細(xì)的數(shù)據(jù)挖掘。同時(shí)，基于較大數(shù)據(jù)庫進(jìn)行物種聚類研究，也需要整合多個(gè)基因片段，從而在數(shù)據(jù)結(jié)構(gòu)和計(jì)算過程中產(chǎn)生了很多問題。
Douglas Chesters博士在中國科學(xué)院動(dòng)物研究所朱朝東研究組開展博士后研究，出站后被聘任為動(dòng)物所助理研究員期間，研發(fā)了一種在分子序列數(shù)據(jù)庫中界定物種的方法：1）首先獲取所有昆蟲的DNA序列，并對(duì)它們進(jìn)行文本加工；2）根據(jù)一定的規(guī)則過濾掉重復(fù)數(shù)據(jù)；3）劃分遺傳位點(diǎn)L；4）根據(jù)每個(gè)位點(diǎn)信息，界定物種S；5）物種單元與位點(diǎn)相匹配，形成一組多位點(diǎn)物種界定的數(shù)據(jù)矩陣L×S。
作者應(yīng)用馬爾科夫聚類的方法將數(shù)據(jù)庫劃分為同源基因片段數(shù)據(jù)集�；诎蟛糠治锓N多樣性的基因，完成物種鑒定，并同時(shí)對(duì)物種單元名字賦予物種名。在物種聚類過程中，兩兩相似之處計(jì)算的復(fù)雜性主要來源于線粒體基因組中的COI位點(diǎn)�？蒲腥藛T通過開發(fā)軟件解決了這個(gè)復(fù)雜的過程：在分類的體系內(nèi)執(zhí)行序列兩兩比對(duì)，且為不同階元的序列標(biāo)注分類信息。
GenBank中GenBank中超過24個(gè)不同同源基因，194 000個(gè)未帶分類標(biāo)簽的序列，包含41 525個(gè)帶分類標(biāo)簽的物種（98.7%從昆蟲數(shù)據(jù)庫中獲得）。通過對(duì)每個(gè)位點(diǎn)的分層聚類，利用獨(dú)立的最優(yōu)參數(shù)，這些序列被分組到59 173個(gè)基于單個(gè)位點(diǎn)的分子分類單元（MOTU）中。來自不同位點(diǎn)的MOTU，由多部匹配算法進(jìn)行匹配。這樣，位點(diǎn)之間形成不一致性最低的多位點(diǎn)單元。匹配后，科研人員通過這24個(gè)位點(diǎn)，發(fā)現(xiàn)了在目前的昆蟲數(shù)據(jù)庫中，存在78 091個(gè)基于多位點(diǎn)信息的MOTU。其中，38 574個(gè)單元包含物種分類學(xué)信息，而34 891個(gè)則沒有包含分類標(biāo)簽，剩下的4 626個(gè)單元兩種情況并存。
除了可以估算物種多樣性，科研人員開發(fā)的規(guī)程還將促進(jìn)現(xiàn)代序列數(shù)據(jù)集的物種界定。特別是L×S矩陣代表了后分類學(xué)思路，將可以解構(gòu)種級(jí)元基因組數(shù)據(jù)。這些方法將可以在多個(gè)基因位點(diǎn)，甚至基因組水平提取大量數(shù)據(jù)，產(chǎn)生更多研究物種多樣性的L×S數(shù)據(jù)矩陣，從而整合到后續(xù)的系統(tǒng)發(fā)育的流程。
該工作主要得到中國科學(xué)院知識(shí)創(chuàng)新工程、中國國家自然科學(xué)基金委面上和人才項(xiàng)目支持，并部分得到中國農(nóng)業(yè)部公益性行業(yè)（農(nóng)業(yè)）科研專項(xiàng)和中國國家科技部基礎(chǔ)性工作專項(xiàng)的支持。
論文信息：Douglas Chesters; Chao-Dong Zhu. A Protocol for Species Delineation of Public DNA Databases, Applied to the Insecta. Systematic Biology 2014; doi: 10.1093/sysbio/syu038.
